阅读笔记 — Image Super-Resolution Using Deep Convolutional Networks

1. 网络结构。

2. 主要内容：

1. 不适定问题 (ill-posed problem)
   适定问题是指定解满足下面三个要求的问题：① 解是存在的；② 解是唯一的；③ 解连续依赖于定解条件，即解是稳定的。这三个要求中，只要有一个不满足，则称之为不适定问题。
   由于从低精度图片推高精度图片有多种可能解，所以 image super-resolution 也是一个不适定问题。
   这种问题通常都是通过获得先验信息限制解的范围。所以不管是文中提到的利用同一图像的内部相似性或者example-based method，都是得到更多的先验信息。

2. 同时处理 RGB channel
   这篇文章分析了训练在YCbCr channel 和RGB channel的效果。总的可以分为以下几种。
   (1) 同时训练 YCbCr 三个通道，这种情况的效果最差，原因是因为 Y 通道和 Cb Cr 通道本身性质不同。
   (2) 如果 pre_train Y 或者 Cb Cr channel，再 fine-tuning 另外的通道，效果比 (1) 好，但还是比 Y-only 差。
   总结：以上两点证明了 Cb， Cr channel对 Y channel 的学习效果会造成负面影响。
   (3) CbCr 通道的效果在 pre-train Y channel 的model 中 比 pre-train CbCr 的model中的效果还要好，文中的解释为 pre-train Y channel 的 model 会比 pre-train CbCr 的 model 激活更多的 filter，所以会使得最终的CbCr 通道的效果更好。
   (4) 同时训练 RGB 的效果最好。

3. 深度越深，效果不会变得更好
   文中的解释为越深的网络训练越困难，同时网络容易陷在局部最优点。

4. 这种 end-to-end 的方法，不仅可以用来类比SC 做 SR，还能同时实现 SR + denoising 的任务。